Makine öğrenmesi yöntemleri ile hbv-dna yükünden fibrozis şiddeti tahmini
Prediction of fibrosis severity from hbv-dna load using machine learning methods
- Tez No: 909561
- Danışmanlar: PROF. ŞÜKRÜ ÖKSÜZ
- Tez Türü: Yüksek Lisans
- Konular: Biyoloji, Mikrobiyoloji, Patoloji, Biology, Microbiology, Pathology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Düzce Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mikrobiyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 120
Özet
Viral hepatitler, karaciğerde iltihaplanma ve hasara neden olan enfeksiyon hastalıklarıdır. Bu hastalıkların progresyonu, çoğunlukla karaciğerdeki histolojik değişikliklerle ölçülür. HAI skoru, viral hepatitli hastalarda karaciğer hasarının derecesini ve evresini belirlemek için kullanılan yaygın bir yöntemdir. Ancak, bu yöntem invazivdir ve bazı komplikasyonlara neden olabilir. PCR ise, HBV veya HCV gibi viral hepatitlerin tanısında yaygın olarak kullanılan moleküler bir yöntemdir. Bu yöntem, viral yükü ölçmek ve tedavinin etkinliğini değerlendirmek için kullanılır. PCR, non-invazivdir ve daha az komplikasyon riski taşır. Dolayısıyla Viral hepatitli hastalarda histopatolojik İshak skoru ile PCR sonucundaki viral yük arasındaki korelasyonun araştırılması, hastalığın ilerlemesi ve prognozunun belirlenmesinde önemli bir rol oynayabileceği düşünülmektedir. Bu çalışmada, HBV pozitif hastalarda PCR viral yükü ile histopatolojik bulguların kullanılarak fibrozis şiddetinin tahmin edilmesi için makine öğrenmesi yöntemleri incelenmiştir. Literatürde PCR ve HAI skoru arasındaki korelasyonu makine öğrenmesi yöntemiyle inceleyen sınırlı sayıda çalışma bulunması, çalışmamızın özgünlüğünü artırmaktadır. Bu çalışmada elde edilen sonuçlar, uyguladığımız dört farklı makine öğrenmesi algoritmasından en iyi doğruluğu lojistik regresyon ve SVM modellerinin verdiğini, ancak ROC-AUC değerlerine göre fibrozis şiddetini en iyi sınıflandıran modelin rastgele orman modeli olduğunu göstermektedir. Ancak, bu modelin genel doğruluk oranı %50 ile sınırlıdır ve bu sonuçlar, mevcut verilerin makine öğrenmesi modelleri ile fibrozis şiddetini tahmin etmekte yetersiz kaldığını ortaya koymaktadır. Gelecekte, histopatolojik ve mikrobiyolojik parametrelerin artırılması, hasta örnek sayısının genişletilmesi ve demografik, klinik veriler gibi ek özelliklerin modele dahil edilmesi ile tahmin performansının artırılması öngörülmektedir.
Özet (Çeviri)
Viral hepatitis are infectious diseases that cause inflammation and damage to the liver. The progression of these diseases is mostly measured by histological changes in the liver. The HAI score is a commonly used method to determine the degree and stage of liver damage in patients with viral hepatitis. However, this method is invasive and may lead to some complications. PCR, on the other hand, is a molecular method widely used in the diagnosis of viral hepatitis such as HBV or HCV. This method is used to measure viral load and assess treatment effectiveness. PCR is less invasive and carries a lower risk of complications compared to the histopathological Ishak score. Therefore, investigating the correlation between the histopathological Ishak score and the PCR results of viral load in patients with viral hepatitis is considered to play an important role in determining the disease progression and prognosis. In this study, machine learning methods were examined to predict fibrosis severity using PCR viral load and histopathological findings in HBV-positive patients. The limited number of studies in the literature investigating the correlation between PCR and HAI scores using machine learning increases the originality of our study. The results obtained in this study show that the logistic regression and SVM models provided the best accuracy among the four different machine learning algorithms we applied, but the random forest model had the highest classification performance based on ROC-AUC values in predicting fibrosis severity. However, the overall accuracy of this model is limited to 50%, and these results suggest that the current data are insufficient for predicting fibrosis severity using machine learning models. In the future, it is anticipated that increasing histopathological and microbiological parameters, expanding the sample size, and including additional features such as demographic and clinical data in the model will enhance prediction performance.
Benzer Tezler
- Makine öğrenmesi yöntemleri ile kanser hastalığı teşhisi
Cancer disease diagnosis with machine learning methods
EBRU AYDINDAĞ BAYRAK
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaMühendislik Bilimleri Ana Bilim Dalı
PROF. DR. PINAR KIRCI
DR. ÖĞR. ÜYESİ TOLGA ENSARİ
- Makine öğrenmesi yöntemleri ile kripto paraların gelecekteki tahmini
Future prediction of cryptocurrencies with machine learning methods
ELİF DİLASA KURT
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BANU DİRİ
DR. AHMET ELBİR
- Makine öğrenmesi yöntemleri ile kara askeri araçların tespit ve sınıflandırılması
Detection and classification of land military vehicles with machine learning methods
ANIL AKBALIK
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiDüzce ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. FERZAN KATIRCIOĞLU
- Makine öğrenmesi yöntemleri ile hibrit ve kompozit ZA-27 alaşımlarının aşınma davranışlarının karşılaştırmalı analizi
Comparative analysis of wear behavior of hybrid and composite ZA-27 alloys using machine learning methods
SENA NUR ADIYAMAN
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLTEKİN ÇAĞIL
- Makine öğrenmesi yöntemleri ile el ve yüz analizi tahminlemesi
Hand and face analysis prediction with machine learning methods
HÜSNEİREM KAYA
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KAYHAN AYAR